MEDICINE & AI

タイトル：UNISELF: A unified network with instance normalization and self-ensembled lesion fusion for multiple sclerosis lesion segmentation 雑誌名：Med Image Anal. 2026 Jan 20; 109: 103954. 概　要： 本研究では、多発性硬化症（MS）病変の自動セグメンテーションを実現するための新しい手法UNISELFを提案します。この手法は、マルチコントラスト磁気共鳴（MR）画像を用いており、手動での描画に比べて効率性と再現性を向上させます。UNISELFは、単一のトレーニングドメイン内で高い精度を達成しつつ、複数のアウトオブドメインテストデータセットに対して強い一般化能力を示します。テスト時の自己アンサンブル病変融合とインスタンス正規化を活用し、ドメインシフトや欠損コントラストに対処します。ISBI 2015のデータセットで訓練されたUNISELFは、同チャレンジのテストデータセットで最良のパフォーマンスを示しました。 方　法： UNISELFは、ISBI 2015の長期的MSセグメンテーションチャレンジのトレーニングデータセットを用いて訓練された深層学習モデルです。テスト時には、自己アンサンブル病変融合とテスト時インスタンス正規化（TTIN）を用いて、ドメインシフトや欠損コントラストに対応します。これにより、単一のソースからの限られたデータでのトレーニングでも高い精度を維持します。 結　果： UNISELFは、ISBIのテストデータセットにおいて最良のパフォーマンスを示し、MICCAI 2016やUMCLデータセット、さらにはプライベートなマルチサイトデータセットにおいても、同じISBIトレーニングデータで訓練された全てのベンチマーク手法を上回る結果を得ました。これらのテストデータセットは、取得プロトコルやスキャナーの種類、画像取得の不完全さによるアーチファクトによってドメインシフトや欠損コントラストが生じています。 結　論： UNISELFは、MS病変のセグメンテーションにおいて高精度を実現し、ドメインシフトや欠損コントラストに対しても優れた一般化能力を示しました。この手法は、異なる取得条件下でも信頼性の高い結果を提供する可能性があります。